AI nie zabiera pracy, tylko zadania — firmy grzęzną w danych i integracjach, a pilotaże stoją w miejscu
Z materiału SAIO i Everest Group wynika, że wiele projektów AI kończy się na pilotażu. Najczęstsze powody to bałagan w danych, brak integracji i brak ludzi łączących IT z biznesem. AI nie „zabiera pracy”, tylko zadania — kluczem jest przygotowanie organizacji.
Po fali entuzjazmu wokół generatywnej AI wiele organizacji zderza się z praktyką. Jak podaje SAIO wraz z Everest Group, 48 proc. firm kupuje gotowe rozwiązania, ale niewiele przechodzi od testu do pełnego wdrożenia. Źródła problemu są proste: niespójne lub nieaktualne dane, brak integracji i słabe „governance”, a także brak liderów łączących IT, biznes i zmianę procesów.
Eksperci opisują typowe wpadki: automatyzacja obsługi klienta, która wymaga więcej ręcznych korekt niż wcześniej, czy chatboty rekrutacyjne odrzucające dobrych kandydatów przez złe dane treningowe. Problemem nie jest sama technologia, lecz przygotowanie organizacji i jakość danych.
„Technologia jest dziś dostępna dla każdego, ale sukces zależy od tego, kto potrafi jej nadać sens. Największe błędy wdrożeń AI wynikają z pośpiechu, braku danych i braku wizji” — mówi Przemysław Lewicki, CEO SAIO. Dodaje: „Sztuczna inteligencja nie jest zagrożeniem dla pracy — zagrożeniem jest brak przygotowania do pracy z nią.”
Gdzie AI działa najszerzej już dziś? Według danych Everest Group: w obsłudze klienta (32 proc.), IT (30 proc.) oraz marketingu i sprzedaży (18 proc.). Tam automatyzacja przejmuje powtarzalne zadania: odpowiedzi na zapytania, generowanie treści, tłumaczenia, zarządzanie wiedzą.
„Automatyzacja eliminuje powtarzalne zadania, a nie ludzi” — podkreśla Lewicki.
W finansach i księgowości tempo zmian rośnie, zwłaszcza w kontekście KSeF. AI może przejąć żmudne czynności, jak wprowadzanie i weryfikacja faktur, uzgadnianie kont, wykrywanie odchyleń czy prognozowanie przepływów. Rola księgowego przesuwa się w stronę analizy i doradztwa — człowiek interpretuje wyniki i wskazuje działania.
Wniosek jest prosty: aby uniknąć „luki transformacyjnej”, trzeba równolegle porządkować dane i procesy, szkolić użytkowników i dopasowywać modele do własnych informacji. Bez tego nawet najlepsze narzędzie nie przejdzie z pilota do produkcji.
Tekst na podstawie informacji prasowej SAIO i danych Everest Group: „Oczekiwania vs. rzeczywistość, czyli co idzie nie tak we wdrożeniach AI” (30 października 2025 r.).
